基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法.pdf
《基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法.pdf》由会员分享,可在线阅读,更多相关《基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法.pdf(10页珍藏版)》请在咨信网上搜索。
1、第51 卷 第13 期 电力系统保护与控制电力系统保护与控制 Vol.51 No.13 2023年7 月1 日 Power System Protection and Control Jul.1,2023 DOI:10.19783/ki.pspc.221746 基于集成经验模态分解与集成机器学习的锂离子电池 剩余使用寿命预测方法 张朝龙1,2,赵筛筛3,何怡刚2(1.金陵科技学院智能科学与控制工程学院,江苏 南京 211169;2.武汉大学电气与自动化学院,湖北 武汉 430072;3.安庆师范大学电子工程与智能制造学院,安徽 安庆 246011)摘要:准确预测储能锂离子电池剩余使用寿命(re
2、maining useful life,RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池 R
3、UL 预测方法具有更好的鲁棒性与非线性跟踪能力。关键词:锂离子电池;剩余使用寿命预测;集成经验模态分解;相关向量机算法;长短时记忆神经网络 Remaining useful life prediction method for lithium-ion batteries based on ensemble empirical mode decomposition and ensemble machine learning ZHANG Chaolong1,2,ZHAO Shaishai3,HE Yigang2(1.College of Intelligent Science and Contro
4、l Engineering,Jinling Institute of Technology,Nanjing 211169,China;2.School of Electrical Engineering and Automation,Wuhan University,Wuhan 430072,China;3.School of Electronic Engineering and Intelligent Manufacturing,Anqing Normal University,Anqing 246011,China)Abstract:A precise prediction of the
5、remaining useful life for energy storage lithium-ion batteries is critical to the safety and reliability of power systems.To solve the problem of serious nonlinear changes of the aging trajectory of lithium-ion batteries,this paper proposes an ensemble empirical mode decomposition(EEMD)and an ensemb
6、le machine learning-based RUL prediction method.First,the measured raw lithium-ion battery aging data are decomposed using the EEMD algorithm.Then,a long short-term memory(LSTM)neural network and the relevance vector machine(RVM)algorithm are integrated and applied to model and predict the residual
7、sequence and the intrinsic mode sequences obtained by decomposition.Finally,the future lifespan aging trajectory of the lithium-ion battery is acquired by fusing the predicted residual sequence and the intrinsic mode sequences.The aging data of energy storage lithium-ion batteries are employed to va
8、lidate the proposed method.The results show that the proposed RUL prediction method for lithium-ion batteries has better robustness and nonlinear tracking ability.This work is supported by the National Key Research and Development Program of China(No.2020YFB0905905).Key words:lithium-ion battery;rem
9、aining useful life prediction;ensemble empirical mode decomposition;RVM algorithm;LSTM neural network 0 引言 电力系统正在向大规模方向发展,负载构成越 基金项目:国家重点研发计划项目资助(2020YFB0905905);金陵科技学院高层次人才科研启动基金项目资助(jit-rcyj-202202)来越复杂,继而电力系统的稳定性和可靠性面临严峻挑战1。锂离子电池具有高能量密度、低自放电率以及长循环寿命等特点,在提高电力系统的可靠性和安全性、改善电能质量和调节电力系统功率方面可发挥重要作用2。然而
10、持续充放电工作使得锂离子电池内部发生不可逆的电化学反应,导致锂离子电池电极材料损失与容量衰退3。锂离子电池剩-178-电力系统保护与控制电力系统保护与控制 余使用寿命(remaining useful life,RUL)指的是电池当前状态退化至容量失效阈值所需的充放电循环次数,是表征锂离子电池状态与性能的重要指标之一4。因此,为了有效预警锂离子电池失效,保证锂离子电池可靠运行,准确预测锂离子电池 RUL 具有重要意义。现有的锂离子电池 RUL 预测方法主要分为模型驱动方法与数据驱动方法5-6。模型驱动方法可进一步分为经验预测法与滤波预测法,如表 1 所示。经验预测法基于数据拟合的思想,通过固定
11、的数学关系表征锂离子电池退化行为与循环次数之间的长期依赖关系,进而对容量数据进行推广与延伸,实现锂离子电池未来寿命轨迹的预测7。这类方法简单且易于实现,但难以应对锂离子电池老化行为剧烈波动的场合。滤波预测法是经验预测法的改进方法,基于锂离子电池经验退化模型建立状态空间观测器,根据锂离子电池老化数据实时更新与校正状态空间模型,有效解决单纯数据拟合引起的预测不稳定现象8。常用的滤波算法包括粒子滤波(particle filter,PF)、无迹粒子滤波(unscented particle filter,UPF)及其衍生算法等9。显然,经验退化模型的精度与滤波预测法有效性线性正相关。然而,由于锂离子
12、电池老化行为表现出强烈的时变性与非线性,且锂离子电池老化轨迹总体下降、局部非线性变化严重的现象,导致很难建立普遍认可的高精度锂离子电池寿命预测模型10。表 1 锂离子电池 RUL 预测方法分类 Table 1 Classification of RUL prediction methods for lithium-ion batteries 方法名称 方法思路 主要优点 主要缺点 经验预测法 数据拟合 模型参数少 难以考虑 外部条件 滤波预测法 状态估计 预测精度高 过于依赖 模型精度 数据驱动法 时间序列预测 无需复杂 机理研究 对数据质量 要求高 模型融合法 多模型预测 融合 混合多种 方
13、法优点 参数过多,实现难 数据驱动方法由于能够描述复杂的退化过程而不需要深入的机理研究,被广泛应用于锂离子电池RUL 预测11。该方法通过人工智能算法,利用锂离子电池历史运行数据,挖掘与提炼锂离子电池寿命衰减内在规律,将外部特性与锂离子电池放电容量相联系,从而实现锂离子电池 RUL 预测12。支持向量机13、相关向量机(relevance vector machine,RVM)14、高斯过程回归15以及深度神经网络16等机器学习方法常用于锂离子电池 RUL 预测。支持向量机通过将初始数据映射到高维空间的方式,具有良好的预测精度与收敛性,在处理非线性的时间序列分析方面具有明显的优势。但支持向量机
14、多为点估计,缺乏对预测结果不确定性的解释能力13。RVM 算法对支持向量机进行改进,其超参数不通过交叉验证的方式获取,以概率的方式输出进而反映预测结果的不确定性14。高斯过程回归是一种基于贝叶斯框架的统计学习方法,将锂离子电池老化数据视为概率分布序列,给出预测结果的区间估计,对非线性系统具有较强的预测能力17。针对锂离子电池 RUL 预测,高斯过程回归算法表现出较好的短期预测能力,但对长期预测效果不理想15。深度神经网络具有较强的学习能力,可以有效提取容量退化序列的关键信息16。长短期记忆(long short-term memory,LSTM)神经网络由于克服了传统循环神经网络梯度消失的问题
15、,对于中长期的锂离子电池RUL 预测具有较高预测精度,已被广泛用于预测锂离子电池未来容量与 RUL18。这些基于机器学习的方法在锂离子电池 RUL 预测方面表现出巨大的潜力,但它们的性能对测量的锂离子电池老化数据的质量与数量非常敏感。在实际应用中,由于锂离子电池复杂的工作环境以及电池内不可逆的电化学变化,锂离子电池全生命周期老化数据具有强烈的非线性19。近些年,为了充分发挥各方法的优势,不同类型的融合方法被开发并应用于锂离子电池 RUL 预测,主要包括滤波算法与机器学习的融合方法以及多机器学习的融合方法20。这类方法极大地提高了RUL 的预测精度,增强了模型的泛化能力,在 RUL预测问题上表现
16、出更好的前景与能力。由于车载电池管理系统仪器仪表误差、测量中的干扰因素以及电池负载不确定等未知原因,测量得到的锂离子电池老化数据往往具有强烈的非线性,这给直接预测锂离子电池 RUL 带来了巨大的挑战性21。因此,本文旨在平滑测量信号后预测锂离子电池 RUL。但锂离子电池的老化具有强烈的不确定性,达到失效阈值的同时可能会发生容量再生现象,这对于锂离子电池 RUL 预测方法提出了新的挑战。集成经验模态分解(ensemble empirical mode decomposition,EEMD)是一种时频域信号处理方式,依据多次经验模态分解获取信号本征模态函数(intrinsic mode funct
17、ion,IMF)的平均分量,并加入高斯白噪声平衡信号,有效解决了传统经验模态分解模态混淆现象22-23。若利用 EEMD 算法分解原始信号,将生成的老化趋势序列与 IMFs 序列分离预测,张朝龙,等 基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法 -179-即可把握锂离子电池退化轨迹,亦可增强对容量再生现象的预测能力。基于上述考虑,本文提出一种基于集成经验模态分解与集成机器学习的锂离子电池 RUL 预测方法。首先,利用 EEMD 算法分解实测锂离子电池放电容量数据,将其分解为一系列IMFs 与残差序列,其中,由于 EEMD 算法的特性,残差序列走势即为锂离子电池退化轨迹。其
18、次,利用 LSTM 优秀的时间序列处理能力,对残差序列建模预测。与此同时,IMFs 数据序列由 RVM 算法进行预测处理。最后,融合残差序列与 IMFs 数据序列的预测结果,得到锂离子电池寿命老化轨迹。验证实验采用美国航天航空局(National aeronautics space Administration,NASA)锂离子电池加速老化数据与马里兰大学锂离子电池老化数据,并将提出的预测方法与传统 LSTM 神经网络、RVM 算法相比较,结果表明,所提出的锂离子电池 RUL 预测方法对于不同老化条件的锂离子电池老化数据具有更好的鲁棒性与非线性跟踪能力,且模型精度更高。1 基础理论方法 1.1
19、 EEMD 算法 EEMD算法是一种基于噪声辅助分析的经验模态分解方法。对原始数据添加大量高斯白噪声后,分别利用多次经验模态分解得到的 IMFs 分量与残差序列求解平均值,得到 EEMD 算法的 IMFs 分量与残差序列分量24。EEMD 算法主要流程如下。设原始信号序列为()x t,添加高斯白噪声信号序列为12(),(),()Nn t n tnt,生成加噪数据信号为(),1,2,ix t iN,利用经验模态分解算法处理加噪信号()ix t,生成N组经验模态分解的本征模态分量ijc和残差序列ir。经验模态分解算法具体操作如下。1)通过三次样条插值求解加噪信号()ix t的上下 包 络 线,ma
20、xix和,minix,并 求 出 平 均 包 络 线,max,min()()/2iiim txx。2)()()iiihx tm t,若信号()ih t的极值点数与过零点的个数之间相差不大于1,且任意点包络线均值为0,则视为经验模态分解得到的第一个IMF序列1ic。反之,返回步骤1)处理。3)加噪信号()ix t减去得到的第一个IMF序列1ic得到剩余项1r,对剩余项1r重复步骤1)和步骤2),直至剩余项Nr为单调函数停止。对得到的N组经验模态分解的IMF序列ijc和残差序列ir平均处理,得到EEMD算法的IMF序列iC与残差序列esR。1es111NniniNiiCcNRrN (1)为了降低锂
21、离子电池RUL预测难度并增强对容量再生现象的捕捉能力,本文引入EEMD算法将测量的锂离子电池老化信号分解,分离预测生成的老化趋势序列与IMFs序列,即可把握锂离子电池退化轨迹,亦可增强对容量再生现象的预测能力。具体地,针对本文锂离子电池RUL预测问题,将测量得到的锂离子电池放电容量数据视为原始信号序列,作为EEMD算法输入信号,通过上述步骤,即可得到锂离子电池老化趋势序列与IMFs数据序列。1.2 RVM算法 RVM方法是一种基于贝叶斯框架的概率学习模型,具有较强的稀疏性与泛化能力25。对于样本数据集1,Niiix t,回归模型定义为 201(,),(0,)Niiiit K x x N (2)
22、式中:it为模型输出值;ix为模型输入值;i为权重;0为权重偏值;(,)iK x x为核函数;为根据2(0,)N分布的各样本误差;为标准差。因此,样本的最大似然估计为 222/2212121(,)(2)exp()2(,)(,)NNNp t ttt tt,(3)式中,为所有基本功能对输入ix的响应矩阵,11,(),()iiNixx。引入超参数i 描述对应权重值i的逆方差,则权重的后验概率为 1T11222()()(,)(2)exp()2Npt (4)10(,)(0,)Niiip N (5)式中:为协方差,2T1()A ,为对角阵,01diag(,)N;为均值,2Tt ;表示超参数的集合矩阵,0(
23、,T1,)N。最终,对于给定的输入值*ix,经由RVM算法处理得到的预测值*y为*iyx (6)针对EEMD算法分解后的IMFs数据序列,由于具有较强的分布规律性,为了在一定程度上捕捉-180-电力系统保护与控制电力系统保护与控制 锂离子电池老化过程中可能发生的容量再生现象,本文采用RVM算法对IMFs序列建模预测。针对本文锂离子电池RUL预测场景,RVM算法被应用于IMFs数据序列的预测。由于IMFs数据序列不同的特性,训练不同IMF预测模型时,需要选择不同的核函数,以保证预测的有效性。1.3 LSTM算法 LSTM网络结构主要由细胞状态和门限组成,即细胞状态层、遗忘门限层、输入门限层以及输
24、出门限层26。遗忘门限通过将上一时刻的状态信息1th和当前状态tx输入Sigmoid激活函数中,负责控制上一个时间节点的细胞状态中的信息是否遗忘。1()(,)fttff tW hxb (7)式中:fW为遗忘门权重;fb为偏置;()f t为遗忘门输出,为0代表完全遗忘,为1则代表全部保留。输入门限不断更新记忆单元状态,从输入tx中选择性地保留有效信息进入tC。1(,)tittiihxWb (8)1tanh(,)tcttcChxWb (9)1()ttttCf tCiC (10)式中:iW和ib分别为Sigmoid层的权重和偏置矩阵;cW与cb分别为tanh层的权重与偏置矩阵;tC为t时刻候选记忆单
25、元的状态值;tC为t时刻当前记忆单元的状态值。输出门限层包括隐藏状态th与当前层输出to。o1o(,)tttoWhxb (11)tanh()ttthoC (12)式中,oW与ob分别表示输出门神经网络权重和偏置。由于LSTM神经网络同时考虑当前值和历史值的信息,能够提取自然语言的动态性和非线性特征,适用于建立时间序列的回归模型。因此,为了更好地预测锂离子电池RUL的老化轨迹趋势,针对锂离子电池老化数据通过EEMD算法分解得到的残差序列,本文应用LSTM神经网络对其建立预测模型。即将EEMD算法分解得到的锂离子电池残差数据序列作为LSTM神经网络的输入,训练残差数据序列预测模型。具体流程步骤如下
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 集成 经验 分解 机器 学习 锂离子电池 剩余 使用寿命 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。